Yu A Dovgaluk等人[1]利用三维对流云模型对俄罗斯西北地区深雷暴伴冰雹发展的情况进行了研究。该模型描述了云的主要过程，包括空气动力学、云微物理以及电荷和电场的产生。微物理块采用参数化方法。该模型可以模拟主要云和降水特征(速度场、水和冰含量、雷达反射率、电荷密度、静电场等)的时空变化。V . K. Meyer等人[2]利用三维闪电和雷达数据进行自动雷暴跟踪。其算法结合了来自低水平雷达反射率扫描的强烈地面降水信息和由欧洲VLF/LF闪电探测网络LINET提供的三维解析闪电数据。主要目的是评估三维分辨总闪电(TL)信息对雷暴跟踪和监测的效益。Ryan Lagerquist等人[3]以风暴为中心的三维雷达图像和快速刷新模型的一维邻近探测数据为基础，通过在CNN上进行训练，预测了未来一小时龙卷风的发生。其模型的关键成功指数（CSI）为0.31，接收器工作特性曲线（AUC）下的面积均远高于0.9。Juhyun Lee等人[4]采用二维CNN (2D-CNN)和三维CNN (3D-CNN)两种方法分析多光谱静止卫星图像与TC强度的关系。最佳优化模型产生了8.32 kts的均方根误差(RMSE)，比使用基于cnn的方法的单通道图像的现有模型性能更好(约35%)。Dong-Kyun Kim等人[5]提出了一种三维卷积神经网络模型(3DCNN)，利用多参数相控阵天气雷达(MP-PAWR)于2019年8月1日在日本东京上空的三维观测，对短时局地对流风暴事件进行短时预报。Vlado Spiridonov等人[6]提出了一种在大型涡流模拟（LES）类型中采用三维（3-D）云解析模型的系统，准确地预测了高强度对流降水。

      冯明学[7]等人利用三维闪电数据，分析了2014年9月28日闪电与雷达，雷暴现场数据的关系。张琪等人[8]通过分析河南省2018年7月2日至7月23日闪电定位资料和降水资料，统计夏季强对流天气中降水强度与闪电频数关系，将二者进行线性拟合，根据拟合结果将夏季强对流天气中闪电频数反演至降水强度，并将反演后的降水强度通过四维变分同化资料方法，同化至WRF数值模拟中，获取最终WRF极小化代价函数，实现夏季强对流天气实时准确测定。张伟等人[9]提出了一种用于对流风暴预报的多通道三维卷积递归神经网络(3D-CRN)，其直接从三维雷达和三维再分析数据中获取时空信息。3D-CRN由两个子网络组成：三个多通道3D卷积网络用作前端空间子网络，convLSTM编码器构造为后端时间子网络。卢兴成等人[9]提出了一种将三维数值模型与3D-VAR和LSTM技术相结合的新方法。该方法融合了LSTM对单站的高精度预测和3D-VAR技术将改进扩展到整个仿真领域的优点。与使用初始小时浓度校正的3D-VAR技术相比，这种混合方法可以有效地改善未来24 h的pm2.5预测。陈志雄等人[10]在天气研究与预报数据同化（WRFDA）三维变分（3DVar）系统中实施了用于更新模型运动状态的闪电同化（DA）方案。该方案将全闪电观测与基于模型的规定垂直速度剖面相结合，通过DA方案获取运动信息，提高了降水预报能力。王磊等人[11]针对东海和南海不同季节，地区和地形条件，提出了一种基于地面多普勒雷达和热带降雨测量任务（TRMM）传感器数据的恶劣天气自适应快速识别预警算法。应用改进的区域分割方法和雷暴识别、跟踪、分析和临近预报（TITAN）算法来识别三维强风暴及其物理特征。多元逻辑线性回归用于建立针对强对流天气（如冰晶和闪电）的概率预警模型。对东海附近的强鳞线和南海附近的超级风暴进行了多普勒雷达识别和预警实验。杨璐等人[12]运用北京快速更新多尺度分析和预报系统集成子系统，把雷达四维变分分析系统30分钟临近预报的高时、 空分辨率三维风场作为数据源与自动气象站风场观测进行快速融合处理。发现融合基于雷达资料四维变分同化获得的高分辨率临近预报风场对各对流系统中的中尺度结构特征给出了更加细致准确的描述。吴彬等人[13]针对强对流天气的特点和实际业务需求，通过C#和Python编程语言，设计和开发了基于多普勒天气雷达的强对流天气监测与预警系统，该系统集成了强对流监测与预警、三维风场反演、雷达回波三维可视化以及强对流潜势预报等功能。